CN112541145A - 一种页面展现方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种页面展现方法、装置、设备及存储介质，涉及大数据领域。具体实现方案为：获取多个备选的展现页面，所述展现页面与第一类展现转化和至少一个第二类展现转化关联，第二类展现转化概率高于第一类展现转化概率；根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类展现转化概率进行预测；根据预测结果，在所述多个备选的展现页面中获取至少一个目标页面，并对所述至少一个目标页面进行展示。本申请实施例的技术方案可以在深层转化正样本数量较少的情况下，提高深层转化概率预估的准确性。

Description

一种页面展现方法、装置、设备及存储介质

技术领域

本申请实施例涉及计算机技术，尤其涉及大数据技术，具体涉及一种页面展现方法、装置、设备及存储介质。

背景技术

随着互联网技术的不断发展，各种媒体或者软件开发者可以通过互联网平台发布相应的推广信息，例如，以展现页面的形式，用户在查看到上述推广信息后，可以完成媒体文章的推荐转发以及软件的激活使用等行为，上述行为实现了对展现页面的深层转化。实际上，推广信息的发布最终目的，也是为了实现上述深层转化的。

为了达到最优的深层转化效果，互联网平台需要预先估计展现页面的深层转化概率，以进行针对性的页面展现。现有技术中，可以将产生深层转化的用户行为及其对应的展现页面作为正样本，并根据从正样本中提取的特征向量来进行深层转化概率的预估，将深层转化概率预估值高于设定阈值的页面进行展现。

发明人在实现本发明的过程中发现，现有技术存在如下缺陷：对于深层转化概率较高的推广信息提供方来说，上述方法可以实现很好的预测效果，但是对于深层转化概率较低的推广信息提供方，会出现正样本数量不足的问题，最终导致预测结果不准确。

发明内容

本申请实施例提供了一种页面展现方法、装置、设备及存储介质，实现了在正样本数量不足的情况下，提高深层转化概率预估的准确性。

第一方面，本申请实施例提供了一种页面展现方法，所述方法包括：

获取多个备选的展现页面，所述展现页面与第一类展现转化和至少一个第二类展现转化关联，第二类展现转化概率高于第一类展现转化概率；

根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类展现转化概率进行预测；

根据预测结果，在所述多个备选的展现页面中获取至少一个目标页面，并对所述至少一个目标页面进行展示。

可选的，根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类转化概率进行预测，包括：

获取与各所述备选的展现页面分别对应的展现特征集；

将各所述展现特征集，分别与共性展现转化特征集及个性展现转化特征集进行匹配；

根据匹配结果，对各所述备选的展现页面的第一类转化概率进行预测；

其中，所述共性展现转化特征集，根据所述第一类历史展现页面以及所述第二类历史展现页面共同生成；

所述个性展现转化特征集，根据所述第一类历史展现页面独立生成。

可选的，根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类展现转化概率进行预测，包括：

获取与各所述备选的展现页面分别对应的展现特征集；

将各所述展现特征集，分别输入至预先训练的第一类展现转化概率预测模型中，对各所述备选的展现页面的第一类展现转化概率进行预测；

其中，所述第一类展现转化概率预测模型，由所述第一类历史展现页面以及所述第二类历史展现页面构造的正样本训练得到。

可选的，在获取多个备选的展现页面之前，还包括：

使用所述第一类历史展现页面，构造与所述第一类转化展现对应的多个第一类正样本；

使用所述第二类历史展现页面，构造与每个所述第二类展现转化分别对应的多个第二类正样本；

生成与各所述第一类正样本以及各所述第二类正样本对应的样本特征集；

使用各所述样本特征集，对多任务学习模型进行训练，得到所述第一类展现转化概率预测模型；

其中，所述第一类展现转化概率预测模型包括：第一类展现转化概率的预测任务，以及至少一个第二类展现转化概率的预测任务。

可选的，所述第一类展现转化概率预测模型包括：

与输入端相连的共享隐层、分别与所述共享隐层相连的第一类展现转化子网络以及至少一个第二类展现转化子网络；所述第一类展现转化子网络的输出端为所述第一类展现转化概率预测模型的输出端；

所述共享隐层，使用与所述第一类正样本以及与所述第二类正样本对应的样本特征集共同训练得到；

所述第一类展现转化子网络，使用与所述第一类正样本对应的样本特征集独立训练得到，用于输出对第一类展现转化概率的预测结果；

所述第二类展现转化子网络，使用与所述第二类正样本对应的样本特征集独立训练得到，用于输出对第二类展现转化概率的预测结果。

可选的，所述展现特征集或者所述样本特征集为离散值特征集；

所述共享隐层具体用于：将输入的离散值特征集转换为连续值特征集。

可选的，所述展现特征集或者所述样本特征集包括：

与展现页面匹配的至少一项页面特征，以及与所述展现页面的展现用户对应的至少一项用户特征。

可选的，所述第一类展现转化为深层展现转化，所述第二类展现转化为浅层展现转化；所述深层展现转化在至少一个浅层展现转化完成后实现转化。

可选的，所述深层展现转化为形成展现页面中所展现商品的购买订单，所述浅层展现转化为形成展现页面中所展示商品的购买咨询；

或者，

所述深层展现转化为激活展现页面中所展示的应用程序，所述浅层展现转化为下载展现页面中所展示的应用程序。

第二方面，本申请实施例还提供了一种页面展现的装置，所述装置包括：

展现页面获取模块，用于获取多个备选的展现页面，所述展现页面与第一类展现转化和至少一个第二类展现转化关联，第二类展现转化概率高于第一类展现转化概率；

展现转化概率预测模块，用于根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类展现转化概率进行预测；

目标页面显示模块，用于根据预测结果，在所述多个备选的展现页面中获取至少一个目标页面，并对所述至少一个目标页面进行展示。

可选的，展现转化概率预测模块，包括：

展现特征集获取单元，用于获取与各所述备选的展现页面分别对应的展现特征集；

展现特征集匹配单元，用于将各所述展现特征集，分别与共性展现转化特征集及个性展现转化特征集进行匹配；

转化概率预测单元，用于根据匹配结果，对各所述备选的展现页面的第一类转化概率进行预测；

其中，所述共性展现转化特征集，根据所述第一类历史展现页面以及所述第二类历史展现页面共同生成；

所述个性展现转化特征集，根据所述第一类历史展现页面独立生成。

可选的，展现转化概率预测模块，包括：

展现特征集获取单元，用于获取与各所述备选的展现页面分别对应的展现特征集；

转化概率预测单元，用于将各所述展现特征集，分别输入至预先训练的第一类展现转化概率预测模型中，对各所述备选的展现页面的第一类展现转化概率进行预测；

其中，所述第一类展现转化概率预测模型，由所述第一类历史展现页面以及所述第二类历史展现页面构造的正样本训练得到。

可选的，所述页面展现装置，还包括：

第一类样本构造模块，用于在获取多个备选的展现页面之前，使用所述第一类历史展现页面，构造与所述第一类转化展现对应的多个第一类正样本；

第二类样本构造模块，用于使用所述第二类历史展现页面，构造与每个所述第二类展现转化分别对应的多个第二类正样本；

样本特征集生成模块，用于生成与各所述第一类正样本以及各所述第二类正样本对应的样本特征集；

预测模型获取模块，用于使用各所述样本特征集，对多任务学习模型进行训练，得到所述第一类展现转化概率预测模型；

其中，所述第一类展现转化概率预测模型包括：第一类展现转化概率的预测任务，以及至少一个第二类展现转化概率的预测任务。

可选的，所述第一类展现转化概率预测模型包括：

与输入端相连的共享隐层、分别与所述共享隐层相连的第一类展现转化子网络以及至少一个第二类展现转化子网络；所述第一类展现转化子网络的输出端为所述第一类展现转化概率预测模型的输出端；

所述共享隐层，使用与所述第一类正样本以及与所述第二类正样本对应的样本特征集共同训练得到；

所述第一类展现转化子网络，使用与所述第一类正样本对应的样本特征集独立训练得到，用于输出对第一类展现转化概率的预测结果；

所述第二类展现转化子网络，使用与所述第二类正样本对应的样本特征集独立训练得到，用于输出对第二类展现转化概率的预测结果。

可选的，所述展现特征集或者所述样本特征集为离散值特征集；

所述共享隐层具体用于：将输入的离散值特征集转换为连续值特征集。

可选的，所述展现特征集或者所述样本特征集包括：

与展现页面匹配的至少一项页面特征，以及与所述展现页面的展现用户对应的至少一项用户特征。

可选的，所述第一类展现转化为深层展现转化，所述第二类展现转化为浅层展现转化；所述深层展现转化在至少一个浅层展现转化完成后实现转化。

可选的，所述深层展现转化为形成展现页面中所展现商品的购买订单，所述浅层展现转化为形成展现页面中所展示商品的购买咨询；

或者；

所述深层展现转化为激活展现页面中所展示的应用程序，所述浅层展现转化为下载展现页面中所展示的应用程序。

第三方面，本申请实施例还提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例提供的页面展现方法。

第四方面，本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行本申请任意实施例提供的页面展现方法。

本申请实施例的技术方案，通过获取多个备选的展现页面，并根据与第一类展现转化匹配的第一类历史展现页面，以及与第二类展现转化匹配的第二类历史展现页面，对各备选的展现页面的第一类展现转化概率进行预测，最终根据预测结果在上述多个备选的展现页面中选取至少一个展现页面进行展示，实现了同时根据第一类历史展现页面和第二类历史展现页面进行第一类展现转化概率的预估，改善了当第一类展现转化样本不足的情况下，对第一类展现转化概率预估不准确的问题。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请第一实施例中的一种页面展现方法的流程图；

图2a是本申请第二实施例中的一种页面展现方法的流程图；

图2b是本申请第二实施例中的第一类展现转化概率预测模型的结构示意图；

图3是本申请第三实施例中的一种页面展现装置的结构的示意图；

图4是用来实现本申请实施例的页面展现方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

第一实施例

图1为本申请第一实施例中的一种页面展现方法的流程图，本实施例的技术方案适用于同时根据第一类展现转化的历史展现页面和发生第二类展现转化的历史展现页面进行深层转化概率预估的情况，该方法可以由页面展现装置执行，该装置可以通过软件，和/或硬件的方式实现，并一般可以集成在服务器中，本实施例的方法具体包括以下步骤：

步骤110、获取多个备选的展现页面，所述展现页面与第一类展现转化和至少一个第二类展现转化关联，第二类展现转化概率高于第一类展现转化概率。

其中，第一类展现转化的展现转化概率为第一类展现转化概率，第二类展现转化的展现转化概率为第二类展现转化概率。

其中，展现页面是互联网平台的客户提供的需要互联网平台向其用户进行展示的页面。

互联网平台可以是用于提供某一项互联网服务的平台，示例性的，互联网平台可以是搜索引擎、视频网站或者论坛或者社交网站等，互联网平台的客户可以是与互联网平台具有合作关系，并通过互联网平台推送信息的平台，示例性的，互联网平台的客户可以是媒体平台、合作商家(线下或者线上)以及软件开发者等。互联网平台的用户可以是访问该互联网平台以获取相应服务的普通用户。

展现页面可以是需要在互联网平台中进行展示各类包括有推广信息的页面。示例性的，该推广信息可以是媒体平台需要推广的一篇媒体文章，也可以是商家需要推广的一项或者多项商品，还可以是软件开发这需要推广的一个或者多个应用程序等。

在本实施例的一个具体应用场景中，一个互联网平台的用户访问了该互联网平台，并满足了页面推送条件(例如，访问时长超过设定阈值，或者点击查看了某一个设定页面等)，则会触发获取与该互联网平台的某一客户对应的多个备选的展现页面，不同备选的展现页面中分别携带有不同的推广信息。

本实施例中，首先获取互联网平台的客户提供的多个备选的展现页面，将这些展现页面展示在互联网平台上，互联平台的用户可能会点击上述展现页面，并进行一系列操作，例如，信息咨询、注册账号以及商品购买等，将用户进行的上述一系列操作称为展现转化，并根据转化程度将其分为第一类展现转化和第二类展现转化两类，即上述展现页面与第一类展现转化和至少一个第二类展现转化关联，其中，第一类展现转化表示转化程度较高的展现转化，例如，商品购买，第二类展现转化表示转化程度较低的展现转化，例如，信息咨询或者账号注册，一般情况下，互联网平台用户会在发生第二类展现转化的基础上，发生第一类展现转化，因此，第二类展现转化概率高于第一类展现转化概率。

示例性的，当备选展现页面为线上商家提供的商品广告页面，则将用户点击该展现页面，并进行账号注册的行为作为第二类展现转化，并且用户在账户注册完成后，还进行了商品购买，则商品下单成功的操作作为第一类展现转化。

可选的，第一类展现转化为深层展现转化，第二类展现转化为浅层展现转化；深层展现转化在至少一个浅层展现转化完成后实现转化。

本可选的实施例中，定义深层展现转化为第一类展现转化，其中，深层展现转化是指转化程度较高的转化，例如，互联网平台用户通过点击商品广告页面完成商品的下单操作，浅层展现转化是指转化程度较低的转化，例如，互联网平台用户通过点击商品广告页面进行商品信息的咨询或者浏览商品网页时长超过5分钟等，通常情况下，用户会在对商品信息进行咨询或者连续浏览一定时长的基础上，再进行下单，即深层展现转化在至少一个浅层展现转化完成后实现转化。

可选的，所述深层展现转化为形成展现页面中所展现商品的购买订单，所述浅层展现转化为形成展现页面中所展示商品的购买咨询；

或者，

所述深层展现转化为激活展现页面中所展示的应用程序，所述浅层展现转化为下载展现页面中所展示的应用程序。

本可选的实施例中，提供了具体的深层展现转化和浅层展现转化的实例，在展现页面为商品的广告页面时，深层展现转化为形成展现页面中所展现商品的购买订单，浅层展现转化为形成展现页面中所展示商品的购买咨询；或者，在展现页面为应用程序推广页面时，深层展现转化为激活展现页面中所展示的应用程序，浅层展现转化为下载展现页面中所展示的应用程序。

步骤120、根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类展现转化概率进行预测。

其中，与第一类展现转化匹配的第一类历史展现页面为发生过第一类展现转化的页面，例如，形成过展现页面中所展现商品的购买订单的展现页面；与第二类展现转化匹配的第二类历史展现页面为发生过第二类展现转化的页面，例如，形成过展现页面中所展示商品的购买咨询的展现页面。

本实施例中，由于互联网平台的客户与互联网平台合作，展示备选展现页面的最终目的是提高深层展现转化数量，即提高第一类展现转化的数量，例如，当互联网平台的客户为线上商家时，客户的最终目的是提高商品下单数量，因此，互联网平台根据第一类历史展现页面和第二类历史展现页面，依次对多个备选的展示页面的第一展现转化概率进行预测，以根据第一展现转化概率确定是否展示备选展现页面。示例性的，可以通过将从备选的展现页面中提取出的特征信息与从第一类历史展现页面和第二类展现页面中提取出的特征信息进行匹配，根据匹配结果确定第一展现转化概率。

可选的，根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类转化概率进行预测，可以为：

获取与各所述备选的展现页面分别对应的展现特征集；

将各所述展现特征集，分别与共性展现转化特征集及个性展现转化特征集进行匹配；

根据匹配结果，对各所述备选的展现页面的第一类展现转化概率进行预测；

其中，所述共性展现转化特征集，根据所述第一类历史展现页面以及所述第二类历史展现页面共同生成；

所述个性展现转化特征集，根据所述第一类历史展现页面独立生成。

本可选的实施例中，提供了一种具体的根据第一类历史展现页面和第二类历史展现页面，对各备选的展现页面的第一类转化概率进行预测的方式，具体过程如下：

首先，获取与各个备选的展现页面对应的展现特征集，所述展现特征集可以是一个特征向量，该特征向量中包含当前备选的展现页面的特征和当前用户的特征，例如，展现特征集可以是(商品类别：母婴用品，商品名称：婴儿食品，用户年龄：29，用户性别：女，用户身份画像：新手妈妈)，当然上述展现特征集中的特征信息可以使用信息标识代替，例如，性别为男，标记为0，性别为女，标记为1等。

其次，将上述展现特征集分别与共性展现转化特征集和个性展现转化特征集进行匹配，其中，共性展现转化特征集是从第一类历史展现页面以及第二类历史展现页面中提取出来的，包含了两种历史展现页面中包含的全部特征信息，例如，可以从其中一个第一类历史展现页面中提取出特征集：(商品类别：户外用品，商品名称：户外冲锋衣，用户年龄：30，用户性别：男，用户身份画像：白领)，并将从全部第一类历史展现页面中提取的全部特征集构成特征集的集合1，同理，将从全部第二类历史展现页面中提取的全部特征集构成特征集的集合2，然后将集合1和集合2共同构成共性展现转化特征集，而个性展现转化特征集是仅从第一类历史展现页面中提取出来的特征信息，在上述举例中，从全部第一类历史展现页面中提取的全部特征集构成特征集的集合1即为个性展现转化特征集。

可选的，可以对集合1和集合2中的特征集分别进行聚类处理，得到多个类别，进而可以根据展现特征集分别与集合1和集合2中各个类别的相似度，计算展现特征集与共性展现特征集和个性展现特征集的相似度，具体的，可以获取展现特征集与集合1中各个类别的相似度的均值，或者最大值，作为展现特征集与共性展现特征集的相似度；获取展现特征集与集合2中各个类别的相似度的均值，或者最大值，作为展现特征集与个性展现特征集的相似度。

最后，将各备选的展示页面对应的展现特征集分别与共性展现转化特征集和个性展现转化特征集进行匹配，可以分别计算展现特征集与共性展现特征集的相似度，以及展现特征集与个性展现特征集的相似度，并最终将上述两个相似度数值进行加权求和，最终获得第一类展现转化概率。

示例性的，展现特征集与共性展现特征集的相似度为60％，展现特征集与个性展现特征集的相似度为45％，进一步的，将上述两个相似度进行加权求和，获取第一类展现转化概率，例如，如果设定共性展现特征集与个性展现特征集的权重相同，则可以根据公式：60％*50％+45％*50％，计算第一类展现转化概率。

当然，本领域技术人员可以理解的是，可以根据实际情况(例如，第一类历史展现页面与第二类历史展现页面的数量比值)，确定共性展现特征集与个性展现特征集的权重，本实施例对此并不进行限制。

步骤130、根据预测结果，在多个备选的展现页面中获取至少一个目标页面，并对至少一个目标页面进行展示。

本实施例中，根据获取的第一类展现转化概率，从多个备选的展现页面中获取至少一个目标页面，并对其进行展示，具体的，可以根据设定的展现转化概率阈值，将预测的第一类展现转化概率高于展现转化概率阈值的备选的展现页面进行展示，例如，设定展现转化概率阈值为45％；或者，也可以在获取第一类展现转化概率高于展现转化概率阈值的备选的展现页面后，按照第一类展现转化概率从高到低的顺序对获取到的上述备选的展现页面进行排序，按照排序结果从高到低的顺序，获取设定数量(例如，3个或者5个等)的备选的展现页面进行展示。

本申请实施例的技术方案，通过获取多个备选的展现页面，并根据与第一类展现转化匹配的第一类历史展现页面，以及与第二类展现转化匹配的第二类历史展现页面，对各备选的展现页面的第一类展现转化概率进行预测，最终根据预测结果在上述多个备选的展现页面中选取至少一个展现页面进行展示，实现了同时根据第一类历史展现页面和第二类历史展现页面进行第一类展现转化概率的预估，改善了在第一类展现转化样本不足的情况下，对第一类展现转化概率预估不准确的问题。

第二实施例

图2a为本申请第二实施例中的一种页面展现方法的流程图，本实施例在上述实施例的基础上进一步细化，提供根据与第一类展现转化匹配的第一类历史展现页面，以及与第二类展现转化匹配的第二类历史展现页面，对各备选的展现页面的第一类转化概率进行预测的具体步骤和在获取多个备选的展现页面之前的具体步骤。下面结合图2a对本申请第二实施例提供的一种页面展现方法进行说明，包括以下步骤：

步骤210、使用第一类历史展现页面，构造与第一类转化展现对应的多个第一类正样本；使用第二类历史展现页面，构造与每个第二类展现转化分别对应的多个第二类正样本。

其中，关于第一类历史展现页面和第一类历史展现页面的解释具体见第一实施例，这里不再赘述。

第一类正样本是由第一类历史展示页面以及在第一类历史展示页面产生第一类展现转化的用户共同组成的，例如，第一类正样本包括形成过展现页面中所展现商品的购买订单的展现页面以及购买订单对应的用户，其中，用户可以是用户ID；第二类正样本是由第二类历史展示页面以及在第二类历史展示页面产生第二类展现转化的用户共同组成的，例如，第二类正样本包括形成过展现页面中所展示商品的购买咨询的展现页面及购买咨询对应的用户。

本实施例中，使用第一类历史展现页面和第二类历史展现页面分别构造第一类正样本和第二类正样本，具体的，由第一类历史展现页面和第一类历史展现页面匹配的产生第一类展现转化的用户共同组成第一类正样本，由第二类历史展现页面和第二类历史展现页面匹配的产生第二类展现转化的用户共同组成第二类正样本。

步骤220、生成与各第一类正样本以及各第二类正样本对应的样本特征集。

其中，样本特征集是从第一类或第二类正样本中提取出的特征信息构成的集合，示例性的，样本特征集可以是设定格式的特征向量。

本实施例中，分别生成与各第一类正样本以及各第二类正样本对应的样本特征集，以生成与第一类正样本对应的样本特征集为例，具体的，获取第一类正样本中包含的第一类历史展现页面的页面特征，例如，(商品类别：户外用品，商品名称：户外冲锋衣)，进一步获取第一类历史展现页面匹配的产生第一类展现转化的用户对应的用户特征，例如，通过用户ID最终获取的用户特征为(用户年龄：30，用户性别：男，用户身份：白领)，将上述第一类历史展现页面的页面特征和用户特征结合，构成样本特征集，在上述举例中，最终构成的样本特征集为(商品类别：户外用品，商品名称：户外冲锋衣，用户年龄：30，用户性别：男，用户身份：白领)。与第二类正样本对应的样本特征集的生成过程与上述第一类正样本对应的样本特征集的生成过程相同，在此不再进一步说明。

步骤230、使用各样本特征集，对多任务学习模型进行训练，得到第一类展现转化概率预测模型；

其中，第一类展现转化概率预测模型包括：第一类展现转化概率的预测任务，以及至少一个第二类展现转化概率的预测任务。

其中，多任务学习模型是针对训练样本不足的情况，设计的一种可以通过使用其它相关学习任务的有用信息来缓解数据稀疏问题的一种学习模型。在本实施例中，多任务模型可以在第一类历史展现页面数据量不足的情况下，同时采用第一类历史展现页面和第二类历史展现页面进行第一类展现转化概率的预估。

本实施例中，将步骤220中获取的样本特征集输入至多任务学习模型进行训练，以优化多任务学习模型中的参数，最终得到第一展现转化概率预测模型。第一展现转化概率预测模型中包括第一类展现转化概率的预测任务和至少一个第二类展现转化概率的预测任务，分别用于预测第一类展现转化概率和第二类展现转化概率。

可选的，第一类展现转化概率预测模型包括：与输入端相连的共享隐层、分别与共享隐层相连的第一类展现转化子网络以及至少一个第二类展现转化子网络；第一类展现转化子网络的输出端为第一类展现转化概率预测模型的输出端；

共享隐层，使用与第一类正样本以及与第二类正样本对应的样本特征集共同训练得到；

第一类展现转化子网络，使用与第一类正样本对应的样本特征集独立训练得到，用于输出对第一类展现转化概率的预测结果；

第二类展现转化子网络，使用与第二类正样本对应的样本特征集独立训练得到，用于输出对第二类展现转化概率的预测结果。

本可选的实施例中，提供了第一类展现转化概率预测模型的具体结构，如图2b所示，包括与输入端相连的共享隐层、分别与共享隐层相连的第一类展现转化子网络以及至少一个第二类展现转化子网络；第一类展现转化子网络的输出端为第一类展现转化概率预测模型的输出端。

其中，共享隐层是由第一类正样本和第二类正样本对应的样本特征集共同训练得到的，即通过第一类正样本和第二类正样本对应的样本特征集，对共享隐层中的参数进行优化。第一类展现转化子网络是通过第一类正样本训练得到的，其可以根据输入的展现特征集对第一类展现转化概率进行预测。第二类展现转化子网络是通过第二类正样本训练得到的，其可以根据输入的展现特征集对第二类展现转化概率进行预测。

步骤240、获取多个备选的展现页面，展现页面与第一类展现转化和至少一个第二类展现转化关联，第二类展现转化的展现转化概率高于第一类展现转化概率。

步骤250、获取与各备选的展现页面分别对应的展现特征集。

本实施例中，获取与各个备选的展现页面对应的展现特征集，展现特征集可以是一个特征向量，该特征向量中包含当前备选的展现页面的特征和当前用户的特征。

可选的，展现特征集或者样本特征集为离散值特征集；

所述共享隐层具体用于：将输入的离散值特征集转换为连续值特征集。

本可选的实施例中，上述展现特征集是由各个展现页面的特征信息构成的集合，样本特征集是由各第一类历史展现页面和各第二类历史展现页面种的特征信息构成的集合，因此，均为离散值特征集。示例性的，在多个样本特征集中用户的年龄信息进行了离散化处理得到了年龄的离散值特征，例如，(0岁，10岁)设置为1，(10岁，20岁)设置为2，(20岁，30岁)设置为3等。通过上述离散化处理，实际上损失了很多信息，因为(20岁，30岁)的所有年龄特征都使用了2作为离散结果，为了在模型中弥补上述离散化的损失，因为可以在共享隐层将输入的离散值特征集转换为连续值特征集。

可选的，展现特征集或者样本特征集包括：

与展现页面匹配的至少一项页面特征，以及与展现页面的展现用户对应的至少一项用户特征。

本可选的实施例中，提供了展现特征集和样本特征集中包含的具体特征信息，包括与展现页面匹配的至少一项页面特征，以及与展现页面的展现用户对应的至少一项用户特征，示例性的，当展现页面为应用程序推广页面时，与展现页面匹配的页面特征包括(应用类别：交通，应用名称：地图)，与展现页面的展现用户对应的用户特征包括(用户年龄：32，用户性别：男，用户身份：司机)，上述两种特征共同构成展现特征集(应用类别：交通，应用名称：地图，用户年龄：32，用户性别：男，用户身份：司机)。

步骤260、将各展现特征集，分别输入至预先训练的第一类展现转化概率预测模型中，对各备选的展现页面的第一类展现转化概率进行预测；

其中，第一类展现转化概率预测模型，由第一类历史展现页面以及第二类历史展现页面构造的正样本训练得到。

本实施例中，将获取的各备选的展现页面的展现特征集输入到预先训练的第一类型展现转化概率预测模型中，进行当前备选的展现页面的第一类展现转化概率进行预测，最终由第一类展现转化概率预测模型的输出信息即为展现页面的第一类展现转化概率。

步骤270、根据预测结果，在多个备选的展现页面中获取至少一个目标页面，并对至少一个目标页面进行展示。

本申请实施例的技术方案，根据第一类历史展现页面以及第二类历史展现页面构造第一类正样本和第二类正样本，然后根据上述两类正样本生成样本特征集，并使用生成的样本特征集对多任务学习模型进行训练，得到第一类展现转化概率预测模型，通过将备选的展现页面对应的展现特征集输入至上述第一类展现转化概率预测模型，以预测第一类展现转化概率，最终根据预测结果，在上述多个备选的展现页面中选取至少一个展现页面进行展示，实现了采用预先训练的第一类展现转化概率预测模型进行第一类展现转化概率的预估，提升了第一类展现转化概率的预估质量。

第三实施例

图3为本申请第三实施例提供的一种页面展现装置的结构示意图，该页面展现装置，包括：展现页面获取模块310、展现转化概率预测模块320和目标页面显示模块330。

展现页面获取模块310，用于获取多个备选的展现页面，所述展现页面与第一类展现转化和至少一个第二类展现转化关联，第二类展现转化概率高于第一类展现转化概率；

展现转化概率预测模块320，用于根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类展现转化概率进行预测；

目标页面显示模块330，用于根据预测结果，在所述多个备选的展现页面中获取至少一个目标页面，并对所述至少一个目标页面进行展示。

本申请实施例的技术方案，通过获取多个备选的展现页面，并根据与第一类展现转化匹配的第一类历史展现页面，以及与第二类展现转化匹配的第二类历史展现页面，对各备选的展现页面的第一类展现转化概率进行预测，最终根据预测结果在上述多个备选的展现页面中选取至少一个展现页面进行展示，实现了同时根据第一类历史展现页面和第二类历史展现页面进行第一类展现转化概率的预估，改善了当第一类展现转化样本不足的情况下，对第一类展现转化概率预估不准确的问题。

可选的，展现转化概率预测模块320，包括：

展现特征集获取单元，用于获取与各所述备选的展现页面分别对应的展现特征集；

展现特征集匹配单元，用于将各所述展现特征集，分别与共性展现转化特征集及个性展现转化特征集进行匹配；

转化概率预测单元，用于根据匹配结果，对各所述备选的展现页面的第一类转化概率进行预测；

其中，所述共性展现转化特征集，根据所述第一类历史展现页面以及所述第二类历史展现页面共同生成；

所述个性展现转化特征集，根据所述第一类历史展现页面独立生成。

可选的，展现转化概率预测模块320，包括：

展现特征集获取单元，用于获取与各所述备选的展现页面分别对应的展现特征集；

转化概率预测单元，用于将各所述展现特征集，分别输入至预先训练的第一类展现转化概率预测模型中，对各所述备选的展现页面的第一类展现转化概率进行预测；

其中，所述第一类展现转化概率预测模型，由所述第一类历史展现页面以及所述第二类历史展现页面构造的正样本训练得到。

可选的，所述页面展现装置，还包括：

第一类样本构造模块，用于在获取多个备选的展现页面之前，使用所述第一类历史展现页面，构造与所述第一类转化展现对应的多个第一类正样本；

第二类样本构造模块，用于使用所述第二类历史展现页面，构造与每个所述第二类展现转化分别对应的多个第二类正样本；

样本特征集生成模块，用于生成与各所述第一类正样本以及各所述第二类正样本对应的样本特征集；

预测模型获取模块，用于使用各所述样本特征集，对多任务学习模型进行训练，得到所述第一类展现转化概率预测模型；

其中，所述第一类展现转化概率预测模型包括：第一类展现转化概率的预测任务，以及至少一个第二类展现转化概率的预测任务。

可选的，所述第一类展现转化概率预测模型包括：

与输入端相连的共享隐层、分别与所述共享隐层相连的第一类展现转化子网络以及至少一个第二类展现转化子网络；所述第一类展现转化子网络的输出端为所述第一类展现转化概率预测模型的输出端；

所述共享隐层，使用与所述第一类正样本以及与所述第二类正样本对应的样本特征集共同训练得到；

所述第一类展现转化子网络，使用与所述第一类正样本对应的样本特征集独立训练得到，用于输出对第一类展现转化概率的预测结果；

所述第二类展现转化子网络，使用与所述第二类正样本对应的样本特征集独立训练得到，用于输出对第二类展现转化概率的预测结果。

可选的，所述展现特征集或者所述样本特征集为离散值特征集；

所述共享隐层具体用于：将输入的离散值特征集转换为连续值特征集。

可选的，所述展现特征集或者所述样本特征集包括：

与展现页面匹配的至少一项页面特征，以及与所述展现页面的展现用户对应的至少一项用户特征。

可选的，所述第一类展现转化为深层展现转化，所述第二类展现转化为浅层展现转化；所述深层展现转化在至少一个浅层展现转化完成后实现转化。

可选的，所述深层展现转化为形成展现页面中所展现商品的购买订单，所述浅层展现转化为形成展现页面中所展示商品的购买咨询；

或者；

所述深层展现转化为激活展现页面中所展示的应用程序，所述浅层展现转化为下载展现页面中所展示的应用程序。

本申请实施例所提供的页面展现装置可执行本申请任意实施例所提供的页面展现方法，具备执行方法相应的功能模块和有益效果。

第四实施例

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图4所示，是根据本申请实施例的页面展现方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。

存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的页面展现方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的页面展现方法。

存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的页面展现方法对应的程序指令/模块(例如，附图3所示的展现页面获取模块310、展现转化概率预测模块320和目标页面显示模块330)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的页面展现方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据页面展现电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至页面展现电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

页面展现方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。

输入装置403可接收输入的数字或字符信息，以及产生与页面展现电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过获取多个备选的展现页面，并根据与第一类展现转化匹配的第一类历史展现页面，以及与第二类展现转化匹配的第二类历史展现页面，对各备选的展现页面的第一类展现转化概率进行预测，最终根据预测结果在上述多个备选的展现页面中选取至少一个展现页面进行展示，实现了同时根据第一类历史展现页面和第二类历史展现页面进行第一类展现转化概率的预估，改善了当第一类展现转化样本不足的情况下，对第一类展现转化概率预估不准确的问题。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种页面展现方法，其特征在于，包括：

获取多个备选的展现页面，所述展现页面与第一类展现转化和至少一个第二类展现转化关联，第二类展现转化概率高于第一类展现转化概率；

根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类展现转化概率进行预测；

根据预测结果，在所述多个备选的展现页面中获取至少一个目标页面，并对所述至少一个目标页面进行展示。

2.根据权利要求1所述的方法，其特征在于，根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类转化概率进行预测，包括：

获取与各所述备选的展现页面分别对应的展现特征集；

将各所述展现特征集，分别与共性展现转化特征集及个性展现转化特征集进行匹配；

根据匹配结果，对各所述备选的展现页面的第一类转化概率进行预测；

其中，所述共性展现转化特征集，根据所述第一类历史展现页面以及所述第二类历史展现页面共同生成；

所述个性展现转化特征集，根据所述第一类历史展现页面独立生成。

3.根据权利要求1所述的方法，其特征在于，根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类展现转化概率进行预测，包括：

获取与各所述备选的展现页面分别对应的展现特征集；

将各所述展现特征集，分别输入至预先训练的第一类展现转化概率预测模型中，对各所述备选的展现页面的第一类展现转化概率进行预测；

其中，所述第一类展现转化概率预测模型，由所述第一类历史展现页面以及所述第二类历史展现页面构造的正样本训练得到。

4.根据权利要求3所述的方法，其特征在于，在获取多个备选的展现页面之前，还包括：

使用所述第一类历史展现页面，构造与所述第一类转化展现对应的多个第一类正样本；

使用所述第二类历史展现页面，构造与每个所述第二类展现转化分别对应的多个第二类正样本；

生成与各所述第一类正样本以及各所述第二类正样本对应的样本特征集；

使用各所述样本特征集，对多任务学习模型进行训练，得到所述第一类展现转化概率预测模型；

其中，所述第一类展现转化概率预测模型包括：第一类展现转化概率的预测任务，以及至少一个第二类展现转化概率的预测任务。

5.根据权利要求4所述的方法，其特征在于，所述第一类展现转化概率预测模型包括：

与输入端相连的共享隐层、分别与所述共享隐层相连的第一类展现转化子网络以及至少一个第二类展现转化子网络；所述第一类展现转化子网络的输出端为所述第一类展现转化概率预测模型的输出端；

所述共享隐层，使用与所述第一类正样本以及与所述第二类正样本对应的样本特征集共同训练得到；

所述第一类展现转化子网络，使用与所述第一类正样本对应的样本特征集独立训练得到，用于输出对第一类展现转化概率的预测结果；

所述第二类展现转化子网络，使用与所述第二类正样本对应的样本特征集独立训练得到，用于输出对第二类展现转化概率的预测结果。

6.根据权利要求5所述的方法，其特征在于，所述展现特征集或者所述样本特征集为离散值特征集；

所述共享隐层具体用于：将输入的离散值特征集转换为连续值特征集。

7.根据权利要求5所述的方法，其特征在于，所述展现特征集或者所述样本特征集包括：

与展现页面匹配的至少一项页面特征，以及与所述展现页面的展现用户对应的至少一项用户特征。

8.根据权利要求1所述的方法，其特征在于，所述第一类展现转化为深层展现转化，所述第二类展现转化为浅层展现转化；所述深层展现转化在至少一个浅层展现转化完成后实现转化。

9.根据权利要求8所述的方法，其特征在于，所述深层展现转化为形成展现页面中所展现商品的购买订单，所述浅层展现转化为形成展现页面中所展示商品的购买咨询；

或者，

所述深层展现转化为激活展现页面中所展示的应用程序，所述浅层展现转化为下载展现页面中所展示的应用程序。

10.一种页面展现装置，其特征在于，包括：

展现页面获取模块，用于获取多个备选的展现页面，所述展现页面与第一类展现转化和至少一个第二类展现转化关联，第二类展现转化概率高于第一类展现转化概率；

展现转化概率预测模块，用于根据与所述第一类展现转化匹配的第一类历史展现页面，以及与所述第二类展现转化匹配的第二类历史展现页面，对各所述备选的展现页面的第一类展现转化概率进行预测；

目标页面显示模块，用于根据预测结果，在所述多个备选的展现页面中获取至少一个目标页面，并对所述至少一个目标页面进行展示。

11.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。

Images